> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/models/hi/supported-models/yolo26.md).

# YOLO26 ऑब्जेक्ट डिटेक्शन

## YOLO26 ऑब्जेक्ट डिटेक्शन

YOLO26 ऑब्जेक्ट डिटेक्शन इसके माध्यम से चलता है [सर्वरलेस क्लाउड API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api)COCO पर पूर्व-प्रशिक्षित। स्व-होस्टेड परिनियोजन के लिए, देखें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 ऑब्जेक्ट डिटेक्शन API

यह नमूना एक टेस्ट इमेज डाउनलोड करता है, इसके माध्यम से अनुमान चलाता है `inference-sdk`को, प्रतिक्रिया को इसके साथ डिकोड करता है `supervision`और एक एनोटेटेड PNG को डिस्क पर लिखता है।

{% stepper %}
{% step %}
**अपनी API कुंजी प्राप्त करें**

एक Roboflow खाता बनाएँ, अपनी कुंजी यहाँ खोजें [Roboflow API सेटिंग्स पेज](https://app.roboflow.com/settings/api) और इसे अपने शेल में उपलब्ध कराएँ:

```bash
export ROBOFLOW_API_KEY="your-key-here"
```

{% endstep %}

{% step %}
**निर्भरताएँ इंस्टॉल करें**

SDK और [supervision](https://supervision.roboflow.com/) एनोटेशन के लिए लाइब्रेरी इंस्टॉल करें:

```bash
pip install -U inference-sdk supervision opencv-python
```

{% endstep %}

{% step %}
**मॉडल चलाएँ**

चलाएँ `yolo26n-640` को एक नमूना छवि पर चलाएँ और बाउंडिंग बॉक्स तथा लेबल एनोटेट करें:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
).configure(InferenceConfiguration(api_key_transport="header"))
result = client.infer(image, model_id="yolo26n-640")
detections = sv.Detections.from_inference(result)

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)
cv2.imwrite("traffic-annotated.png", annotated)
```

<figure><img src="/files/ba454f9178008550cde5023ec51e9ea4cb0f6305" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

{% hint style="info" %}
सेट करें `api_url` को अपने परिनियोजन लक्ष्य से मिलाएँ:

* `https://serverless.roboflow.com` सर्वरलेस क्लाउड API के लिए।
* `http://localhost:9001` एक स्थानीय [इन्फ़रेंस](https://docs.roboflow.com/deployment/self-hosted/self-hosted) सर्वर।
* आपका [समर्पित परिनियोजन](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) एक निजी एंडपॉइंट के लिए URL.
  {% endhint %}

### YOLO26 ऑब्जेक्ट डिटेक्शन मॉडल और बेंचमार्क

इनमें से किसी भी एलियास को `model_id`. यह `inference-sdk` क्लाइंट-साइड पर प्रत्येक उपनाम को उसके पूर्व-प्रशिक्षित Roboflow Universe मॉडल पर मैप करता है; `yolov26*` प्रिफ़िक्स वेरिएंट्स उन्हीं मॉडलों पर मैप होते हैं।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>mAP50-95</th><th>ONNX विलंबता (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>yolo26n-640</code></td><td>640x640</td><td>40.9</td><td>3.5</td><td>2.2</td></tr><tr><td><code>yolo26s-640</code></td><td>640x640</td><td>48.6</td><td>4.7</td><td>3.0</td></tr><tr><td><code>yolo26m-640</code></td><td>640x640</td><td>53.1</td><td>8.4</td><td>4.4</td></tr><tr><td><code>yolo26l-640</code></td><td>640x640</td><td>55.0</td><td>10.7</td><td>5.6</td></tr><tr><td><code>yolo26x-640</code></td><td>640x640</td><td>57.5</td><td>18.4</td><td>8.0</td></tr></tbody></table>

## YOLO26 इंस्टेंस सेगमेंटेशन

YOLO26 इंस्टेंस सेगमेंटेशन इसके माध्यम से चलता है [सर्वरलेस क्लाउड API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api)COCO पर पूर्व-प्रशिक्षित। स्व-होस्टेड परिनियोजन के लिए, देखें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 इंस्टेंस सेगमेंटेशन API

ऊपर दिखाए अनुसार अपनी API कुंजी सेट करें और डिपेंडेंसीज़ इंस्टॉल करें, फिर चलाएँ `yolo26n-seg-640` और मास्क तथा लेबल एनोटेट करें:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="yolo26n-seg-640")
detections = sv.Detections.from_inference(result)

annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
annotated = sv.BoxAnnotator().annotate(annotated, detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)
cv2.imwrite("traffic-annotated.png", annotated)
```

<figure><img src="/files/cfeedfd9e115e78b72c74009b2bddb43b94497b8" alt=""><figcaption></figcaption></figure>

### YOLO26 इंस्टेंस सेगमेंटेशन मॉडल और बेंचमार्क

इनमें से किसी भी एलियास को `model_id`; `yolov26*` प्रिफ़िक्स वेरिएंट्स उन्हीं मॉडलों पर मैप होते हैं। बॉक्स और मास्क mAP एंड-टू-एंड (NMS-मुक्त) COCO `val` मान हैं।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>बॉक्स mAP50-95</th><th>मास्क mAP50-95</th><th>ONNX विलंबता (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>yolo26n-seg-640</code></td><td>640x640</td><td>39.6</td><td>33.9</td><td>8.3</td><td>6.8</td></tr><tr><td><code>yolo26s-seg-640</code></td><td>640x640</td><td>47.3</td><td>40.0</td><td>10.8</td><td>8.5</td></tr><tr><td><code>yolo26m-seg-640</code></td><td>640x640</td><td>52.5</td><td>44.1</td><td>16.4</td><td>11.9</td></tr><tr><td><code>yolo26l-seg-640</code></td><td>640x640</td><td>54.4</td><td>45.5</td><td>18.4</td><td>12.8</td></tr><tr><td><code>yolo26x-seg-640</code></td><td>640x640</td><td>56.5</td><td>47.0</td><td>28.9</td><td>15.7</td></tr></tbody></table>

## YOLO26 कीपॉइंट डिटेक्शन

YOLO26 कीपॉइंट/पोज़ डिटेक्शन इसके माध्यम से चलता है [सर्वरलेस क्लाउड API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api)COCO पर पूर्व-प्रशिक्षित। स्व-होस्टेड परिनियोजन के लिए, देखें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 कीपॉइंट डिटेक्शन API

ऊपर दिखाए अनुसार अपनी API कुंजी सेट करें और डिपेंडेंसीज़ इंस्टॉल करें, फिर चलाएँ `yolo26n-pose-640` और कीपॉइंट्स को एनोटेट करें:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/notebooks/examples/person-walking.png"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="yolo26n-pose-640")
key_points = sv.KeyPoints.from_inference(result)

annotated = sv.VertexAnnotator(color=sv.Color.RED, radius=5).annotate(image.copy(), key_points)
cv2.imwrite("person-walking-annotated.png", annotated)
```

<figure><img src="/files/5a3f8c55328fba4685be0e513db0d5e077e3d40c" alt=""><figcaption></figcaption></figure>

### YOLO26 कीपॉइंट डिटेक्शन मॉडल और बेंचमार्क

इनमें से किसी भी एलियास को `model_id`; `yolov26*` प्रिफ़िक्स वेरिएंट्स उन्हीं मॉडलों पर मैप होते हैं। mAP एंड-टू-एंड (NMS-मुक्त) COCO `val` मान है।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>mAP50-95</th><th>ONNX विलंबता (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>yolo26n-pose-640</code></td><td>640x640</td><td>57.2</td><td>3.8</td><td>2.3</td></tr><tr><td><code>yolo26s-pose-640</code></td><td>640x640</td><td>63.0</td><td>5.1</td><td>3.3</td></tr><tr><td><code>yolo26m-pose-640</code></td><td>640x640</td><td>68.8</td><td>9.0</td><td>4.6</td></tr><tr><td><code>yolo26l-pose-640</code></td><td>640x640</td><td>70.4</td><td>11.2</td><td>5.8</td></tr><tr><td><code>yolo26x-pose-640</code></td><td>640x640</td><td>71.6</td><td>19.1</td><td>8.3</td></tr></tbody></table>

## YOLO26 सेमांटिक सेगमेंटेशन

YOLO26 सेमांटिक सेगमेंटेशन (`yolo26-sem`) Roboflow पर सेमांटिक सेगमेंटेशन के लिए अनुशंसित आर्किटेक्चर है। यह Cityscapes के पूर्व-प्रशिक्षित वज़न का उपयोग करता है और डिफ़ॉल्ट 1024x1024 रिज़ॉल्यूशन पर प्रशिक्षित होता है। n, s, m, l, x — पाँच आकारों में उपलब्ध।

YOLO26-SEM मॉडल को प्रशिक्षित करने के लिए, एक सेमांटिक सेगमेंटेशन Project बनाएं और YOLO26 को अपनी आर्किटेक्चर के रूप में चुनें। आप यह भी [कस्टम-प्रशिक्षित वज़न अपलोड कर सकते हैं](/models/hi/model-weights/upload-custom-weights.md) YOLO26-SEM मॉडलों के लिए।

Cityscapes पूर्व-प्रशिक्षित मॉडल (19 क्लासेस) सार्वजनिक मॉडल के रूप में भी उपलब्ध हैं, जिन्हें आप एक [Workflow](https://docs.roboflow.com/workflows) बिना प्रशिक्षण के चला सकते हैं।

### YOLO26 सेमांटिक सेगमेंटेशन मॉडल और बेंचमार्क

इनमें से किसी भी Cityscapes-पूर्व-प्रशिक्षित उपनाम को इसके रूप में पास करें `model_id`; `yolov26*` प्रिफ़िक्स वेरिएंट्स उन्हीं मॉडलों पर मैप होते हैं। वे केवल ONNX बैकएंड पर चलते हैं; कोई पूर्व-निर्मित TensorRT इंजन प्रकाशित नहीं किया गया है।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>ONNX विलंबता (ms)*</th></tr></thead><tbody><tr><td><code>yolo26n-sem-1024</code></td><td>1024x1024</td><td>23.3</td></tr><tr><td><code>yolo26s-sem-1024</code></td><td>1024x1024</td><td>25.9</td></tr><tr><td><code>yolo26m-sem-1024</code></td><td>1024x1024</td><td>34.6</td></tr><tr><td><code>yolo26l-sem-1024</code></td><td>1024x1024</td><td>35.8</td></tr><tr><td><code>yolo26x-sem-1024</code></td><td>1024x1024</td><td>53.2</td></tr></tbody></table>

***

\* विलंबता मापी गई है [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 1x NVIDIA L4 पर, batch size 1 के साथ, 1,000 इन्फरेंस (100 warmup) के औसत के रूप में। डिफ़ॉल्ट `inference-gpu` इंस्टॉल CUDA execution provider पर ONNX चलाता है; जोड़ने पर `inference-models[trt10]` extra स्वचालित रूप से एक पूर्व-निर्मित TensorRT FP16 इंजन चुनता है। FP16, COCO `val2017`. सटीकता प्रकाशित COCO `val` स्पेक ([स्रोत](https://docs.ultralytics.com/models/yolo26/)).